論文の概要: TraceLite: Efficient Trace Reduction for SWE Agents via Optical Compression and Redundancy Removal

• arxiv url: http://arxiv.org/abs/2610.28612v1
• Date: Tue, 20 Oct 2026 17:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.960288
• Title: TraceLite: Efficient Trace Reduction for SWE Agents via Optical Compression and Redundancy Removal
• Title（参考訳）: TraceLite:光圧縮と冗長除去によるSWE剤の効率的な微量化
• Abstract要約: 異種SWEエージェントを圧縮する学習自由フレームワークであるTraceLiteを提案する。 光レンダリングは、適度な圧縮の下で、実質的なテキスト情報と意味情報を保存します。 GPT-5.6-Luna と Gemini-3.8Flash をバックボーンモデルとして用いた SWE-bench Verified と DeepSWE のTraceLite の評価を行った。
• 参考スコア（独自算出の注目度）: 34.993435596610276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software engineering agents solve repository-level tasks through iterative tool use, but their continuously growing interaction traces incur substantial token consumption and inference overhead. Existing compression approaches often require model training, auxiliary LLM calls, or assumptions about specific content such as source code. We present TraceLite, a simple yet effective, training-free framework for compressing heterogeneous SWE-agent observations. Our preliminary study shows that optical rendering preserves substantial textual and semantic information under moderate compression, while agent trajectories exhibit both cross-step and phase-level redundancy. Motivated by these findings, TraceLite preserves recent observations as high-fidelity text, renders historical observations as compact images, removes overlapping content, and discards phase-expired observation payloads after code editing. It requires neither offline training nor auxiliary LLM inference. We evaluate TraceLite on SWE-bench Verified and DeepSWE using GPT-5.6-Luna and Gemini-3.8Flash as backbone models. On SWE-bench Verified, TraceLite achieves 78.25% resolve rate, outperforming the evaluated compression baselines while reducing average input-token consumption and API cost by 33.05% and 21.30%, respectively. Moreover, it introduces only 0.438 seconds of compression latency per observation. These results demonstrate that TraceLite improves SWE-agent efficiency with low processing overhead and without compromising issue-resolution capability. Our code is available at https://github.com/xjywhu/TraceLite.
• Abstract（参考訳）: ソフトウェアエンジニアリングエージェントは反復ツールの使用によってリポジトリレベルのタスクを解決しますが、継続的に増加するインタラクショントレースはトークンの消費と推論のオーバーヘッドを発生させます。 既存の圧縮アプローチでは、しばしばモデルトレーニング、補助的なLCM呼び出し、ソースコードのような特定のコンテンツに関する仮定を必要とする。 ヘテロジニアスなSWE-エージェント観測を圧縮するための、シンプルで効果的かつトレーニング不要なフレームワークであるTraceLiteを提案する。 予備的な研究では,光学的レンダリングは適度な圧縮下ではテクスチャ情報やセマンティック情報を保持し,エージェントトラジェクトリーはクロスステップおよび位相レベルの冗長性を示す。 これらの発見に触発されたTraceLiteは、最近の観測を高忠実なテキストとして保存し、歴史的観測をコンパクトな画像として描画し、重複するコンテンツを除去し、コード編集後にフェーズ要求の観測ペイロードを破棄する。 オフライントレーニングも補助LSM推論も必要ありません。 GPT-5.6-Luna と Gemini-3.8Flash をバックボーンモデルとして用いた SWE-bench Verified と DeepSWE のTraceLite の評価を行った。 SWE-bench Verifiedでは、TraceLiteは78.25%のリゾルバを達成し、評価された圧縮ベースラインを上回り、平均的な入出力消費とAPIコストをそれぞれ33.05%、21.30%削減した。 さらに、観測毎の圧縮遅延はわずか0.438秒である。 これらの結果から,TraceLiteは処理オーバーヘッドが低く,課題解決能力が向上せず,SWEエージェント効率が向上することが示された。 私たちのコードはhttps://github.com/xjywhu/TraceLite.comで公開されています。

関連論文リスト

• Learning to Route in Visual Space via Multi-Step Embedding Retrieval [57.56937837326161]
  VHOPは自動回帰多段階検索のためのエンドツーエンドのトレーニングパイプラインである。 VHOPは、中間テキストクエリを定式化することなく、単一のツールコールでリンクされたイメージチェーンを検索する。 VHOPコンテキストは、検索性能を5%未満から76.3%に向上させる。
  論文  参考訳（メタデータ） (2026-09-30T01:28:06Z)
• TELLER: Non-intrusive Cross-Layer Root-Cause Analysis for LLM Inference [47.62941623025392]
  本稿では,非侵入的でログ対応なLLM推論フレームワークであるTELLERについて紹介する。 TELLERはモデルバイナリを変更することなく、NVTX/CUPTIトレースとサービスログを収集する。 リクエスト毎のコールチェーンツリーを再構築し、ログ行と対応する実行ステップをアライメントする。 これらの表現に加えて、TELLERは数値的候補のローカライゼーションとマルチモーダルな根起因モデルを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-03T09:39:11Z)
• SWE-TRACE: Optimizing Long-Horizon SWE Agents Through Rubric Process Reward Models and Heuristic Test-Time Scaling [13.335296846555204]
  現在のパイプラインは、最適化されていないデモデータ、スパース実行報酬、計算的に禁止された推論スケーリングによってボトルネックされる。 SWE-TRACEはデータキュレーション、強化学習(RL)、テスト時間推論にまたがるSWEエージェントライフサイクルを最適化する統合フレームワークである。 標準SWEベンチマークの実験により、SWE-TRACEは、両方のトークン消費推論遅延を大幅に削減しつつ、解決率を最大化し、最先端の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-04-16T09:41:47Z)
• Tracezip: Efficient Distributed Tracing via Trace Compression [26.353398496686854]
  分散トレースは、クラウドサービスシステムの監視とテストにおいて、基本的なビルディングブロックとして機能する。 ヘッドベースサンプリングは、システムに入ると追跡するリクエストを無差別に選択する。 テールベースのサンプリングは、まずすべてのリクエストをキャプチャし、次にエッジケーストレースを選択的に永続化する。 トレース圧縮による分散トレースの効率を向上させるため,Tracezipを提案する。
  論文  参考訳（メタデータ） (2025-02-10T10:13:57Z)
• TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
  TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。 以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。 TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-06-11T06:13:58Z)
• SILT: Shadow-aware Iterative Label Tuning for Learning to Detect Shadows from Noisy Labels [53.30604926018168]
  本稿では,シャドウラベルのノイズを明示的に考慮し,自己学習で深層モデルを訓練する,シャドウ対応反復ラベルチューニングフレームワークSILTを提案する。 また,グローバルな局所融合とシャドウ・アウェア・フィルタリングを併用した簡易かつ効果的なラベルチューニング戦略を考案し,ノイズラベルの大幅な改善を図った。 その結果,SILTで訓練した単純なU-Netでさえ,最先端の手法を大きなマージンで上回ることができることがわかった。
  論文  参考訳（メタデータ） (2023-08-23T11:16:36Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。